CN111883256A - 基于电子病历数据的肺结核患者预警系统及预警方法 - Google Patents

基于电子病历数据的肺结核患者预警系统及预警方法 Download PDF

Info

Publication number
CN111883256A
CN111883256A CN202010710719.XA CN202010710719A CN111883256A CN 111883256 A CN111883256 A CN 111883256A CN 202010710719 A CN202010710719 A CN 202010710719A CN 111883256 A CN111883256 A CN 111883256A
Authority
CN
China
Prior art keywords
data
module
patient
medical record
tuberculosis
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
CN202010710719.XA
Other languages
English (en)
Inventor
孙丽芳
王云光
林琳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Red Cross Hospital
Original Assignee
Hangzhou Red Cross Hospital
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Red Cross Hospital filed Critical Hangzhou Red Cross Hospital
Priority to CN202010710719.XA priority Critical patent/CN111883256A/zh
Publication of CN111883256A publication Critical patent/CN111883256A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu

Abstract

本发明属于医疗预警技术领域，公开了一种基于电子病历数据的肺结核患者预警系统及预警方法，所述基于电子病历数据的肺结核患者预警系统包括：患者病症数据采集模块、数据预处理模块、电子病历生成模块、主控模块、检测模型构建模块、病历分析模块、病症等级划分模块、信息筛查模块、预警信息推送模块、云存储模块、显示模块。本发明通过检测模型构建模块可以实现更加准确地检测肺结核病灶区域；同时，通过筛查模块减少由于工作繁忙或认识不足等多方面原因引起的肺结核的漏诊；肺结核自动上报工作实现了全程电子化、自动化，非定点医疗机构的肺结核诊断工作全部有据可查，弥补了结核漏报漏登专项工作耗时费力的缺点。

Description

基于电子病历数据的肺结核患者预警系统及预警方法
技术领域
本发明属于医疗预警技术领域，尤其涉及一种基于电子病历数据的肺结核患者预警系统及预警方法。
背景技术
结核病是由结核分枝杆菌引起的慢性传染病，可侵及许多脏器，以肺部结核感染最为常见。排菌者为其重要的传染源。人体感染结核菌后不一定发病，当抵抗力降低或细胞介导的变态反应增高时，才可能引起临床发病。若能及时诊断，并予合理治疗，大多可获临床痊愈。结核菌属于放线菌目，分枝杆菌科的分枝杆菌属，为有致病力的耐酸菌。主要分为人、牛、鸟、鼠等型。对人有致病性者主要是人型菌，牛型菌少有感染。结核菌对药物的耐药性，可由菌群中先天耐药菌发展而形成，也可由于在人体中单独使用一种抗结核药而较快产生对该药的耐药性，即获得耐药菌。耐药菌可造成治疗上的困难，影响疗效。然而，现有对肺结核检测容准确性差；同时，整个肺结核的影像诊断与上报过程中涉及到大量的人工环节，一旦发生漏报/瞒报情况，肺结核疫情蔓延后果不堪设想。
综上所述，现有技术存在的问题及缺陷是：现有对肺结核检测准确性差；同时，整个肺结核的影像诊断与上报过程中涉及到大量的人工环节，一旦发生漏报/瞒报情况，肺结核疫情蔓延后果不堪设想。
发明内容
针对现有技术存在的问题，本发明提供了一种基于电子病历数据的肺结核患者预警系统及预警方法。
本发明是这样实现的，一种基于电子病历数据的肺结核患者预警方法，所述基于电子病历数据的肺结核患者预警方法包括以下步骤：
步骤一，通过患者病症数据采集模块利用医疗设备采集患者肺结核病症原始数据；通过数据预处理模块利用数据处理程序对采集的患者肺结核病症原始数据进行处理，获得患者肺结核病症特征数据。
步骤二，通过电子病历生成模块利用病历生成程序根据采集的病症数据生成电子病历；通过主控模块利用主机控制所述基于电子病历数据的肺结核患者预警系统各个模块的正常工作。
步骤三，通过用户终端采集患者的体征信息，并将所述患者的体征信息发送至云服务器；云服务器在疾病信息数据库中匹配与所述患者体征信息对应的疾病信息，根据所述患者的体征信息匹配所述对应的疾病信息的预设定的体征数据，并将匹配结果发送至用户终端。
步骤四，根据体征数据获取指定数量的标注有肺结核病灶区域标注框的胸部影像学图像；对所述胸部影像学图像进行图像预处理，获取预处理后的图像数据。
步骤五，通过检测模型构建模块选择一基础卷积神经网络模型，将所述预处理后的图像数据以及患者肺结核病症特征数据输入至所述基础卷积神经网络模型中进行训练，以获取训练后的肺结核检测模型；其中，在所述基础卷积神经网络模型训练中，根据不同的锚盒anchor尺寸，采用不同形状的卷积核。
步骤六，通过病历分析模块利用分析程序获取患者肺结核病症病历数据，并设置病历范围，包括用户范围和数据维度。
步骤七，根据所设置的病历范围，获取相应的病历数据；对所述病历数据中的各个数据维度与肺结核病症或并发症的关系进行关联分析；其中，将是否患肺结核病症或并发症作为关联规则的右项集，其他数据维度作为左项集。
步骤八，根据肺结核检测模型对患者肺结核病历进行分析，生成并输出分析结果；通过病症等级划分模块利用划分程序根据分析结果划分患者肺结核病症严重性等级。
步骤九，通过信息筛查模块利用大量人工标注的样本来训练形成深度神经网络，该深度神经网通过自主学习肺结核影像特征。
步骤十，根据影响特征建立胸片影像数据集，并对所述胸片影像数据集中的胸片样本进行病症标注；基于所述胸片影像数据集训练图像分类器，所述图像分类器用于区分胸片样本中是否包含表征肺结核的图像特征。
步骤十一，利用筛查程序获取待识别的临床图像，并将所述临床图像输入所述图像分类器，得到所述临床图像对应的诊断结果；当所述诊断结果表征疑似肺结核时，提取患者信息，并调用信息上报单。
步骤十二，接收医生输入的确认指令，将携带所述患者信息的信息上报单发送至医务部，以通过所述医务部将筛查得到的肺结核患者信息上报至结核病防治机构；通过预警信息推送模块利用推送程序根据严重性等级对患者肺结核进行预警通知。
步骤十三，通过云存储模块利用云服务器存储采集的患者病症数据、电子病历、分析结果、等级划分机构、筛查结果以及预警推送信息；通过显示模块利用显示器显示采集的患者病症数据、电子病历、分析结果、等级划分机构、筛查结果以及预警推送信息的实时数据。
进一步，步骤四中，所述对所述胸部影像学图像进行图像预处理的方法，包括：
(I)使用聚类算法从具有窗口宽度WW和窗口位置WP指导值的样本中生成WW和WP的标准值；
(II)并通过直方图均衡操作处理，以及利用双线性插值算法进行图像的缩放，将图像双线性插值到1024×1024分辨率。
进一步，步骤五中，所述选择一基础卷积神经网络模型，将所述预处理后的图像数据输入至所述基础卷积神经网络模型中进行训练，以获取训练后的肺结核检测模型方法包括：
将所述基础卷积神经网络模型中所有的锚盒anchor的宽度和高度减半，以使每个正确的病灶区域groudtruth至少匹配一个锚盒anchor。
进一步，步骤五中，所述根据不同的锚盒anchor尺寸，采用不同形状的卷积核的方法，包括：
对于宽度小于高度的锚盒anchor，采用3×1卷积核；
对于高度小于宽度的锚盒anchor，采用1×3卷积核；
对于高度等于宽度的锚盒anchor，采用3×3卷积核。
进一步，步骤七中，所述在进行所述关联分析之前还包括：
对所述样本数据进行预处理，包括缺失值处理和连续变量的离散化。
进一步，步骤七中，所述对所述样本数据中的各个数据维度与肺结核病症或并发症的关系进行关联分析的方法，包括：
(1)从样本数据中获取各用户患病情况，包括肺结核病症及其并发症；
(2)将是否患肺结核病症或并发症作为关联规则的右项集，其他数据维度作为左项集进行关联分析；
(3)从结果中筛选出高提升度的规则，对应的左项集因子即为肺结核病症或并发症的患病因子。
进一步，步骤十中，所述在基于所述胸片影像数据集训练图像分类器时的方法，包括：
1)引入评价系统对训练的所述图像分类器进行评价，以生成所述图像分类器的评价参数；
2)当所述评价参数达到期望值时，结束图像分类器的训练过程；若所述评价参数未达到期望值，对所述胸片影像数据集和当前的卷积网络参数进行调整，并利用调整后的数据重新训练图像分类器，直至评价参数达到期望值为止。
本发明的另一目的在于提供一种应用所述的基于电子病历数据的肺结核患者预警方法的基于电子病历数据的肺结核患者预警系统，所述基于电子病历数据的肺结核患者预警系统包括：
患者病症数据采集模块，与主控模块连接，用于通过医疗设备采集患者肺结核病症原始数据；
数据预处理模块，与主控模块连接，用于通过数据处理程序对采集的患者肺结核病症原始数据进行处理，获得患者肺结核病症特征数据；
电子病历生成模块，与主控模块连接，用于通过病历生成程序根据采集的病症数据生成电子病历；
主控模块，与患者病症数据采集模块、数据预处理模块、电子病历生成模块、检测模型构建模块、病历分析模块、病症等级划分模块、信息筛查模块、预警信息推送模块、云存储模块、显示模块连接，用于通过主机控制所述基于电子病历数据的肺结核患者预警系统各个模块的正常工作；
检测模型构建模块，与主控模块连接，用于通过模型构建程序根据患者肺结核病症特征数据构建肺结核检测模型；
病历分析模块，与主控模块连接，用于通过分析程序根据肺结核检测模型对患者肺结核病历进行分析，并生成分析结果；
病症等级划分模块，与主控模块连接，用于通过划分程序根据分析结果划分患者肺结核病症严重性等级；
信息筛查模块，与主控模块连接，用于通过筛查程序筛查肺结核患者信息并进行上报；
预警信息推送模块，与主控模块连接，用于通过推送程序根据严重性等级对患者肺结核进行预警通知；
云存储模块，与主控模块连接，用于通过云服务器存储采集的患者病症数据、电子病历、分析结果、等级划分机构、筛查结果以及预警推送信息；
显示模块，与主控模块连接，用于通过显示器显示采集的患者病症数据、电子病历、分析结果、等级划分机构、筛查结果以及预警推送信息的实时数据。
本发明的另一目的在于提供一种存储在计算机可读介质上的计算机程序产品，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以实施所述的基于电子病历数据的肺结核患者预警方法。
本发明的另一目的在于提供一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机执行所述的基于电子病历数据的肺结核患者预警方法。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明通过检测模型构建模块根据不同的锚盒anchor尺寸，使用不同形状的卷积核训练的肺结核检测模型，可以实现更加准确地预测肺结核病灶区域，并且本申请还添加一降假阳那网络能够进一步的降低假阳率，可以实现更加准确地检测肺结核病灶区域；同时，通过筛查模块对大量肺结核胸片的分析，开展基于深度学习的肺结核影像图像分析研究，实现了肺结核的筛查准确性达到甚至优于影像专家水平，减少由于工作繁忙或认识不足等多方面原因引起的肺结核的漏诊；肺结核自动上报工作实现了全程电子化、自动化，非定点医疗机构的肺结核诊断工作全部有据可查，弥补了结核漏报漏登专项工作耗时费力的缺点，有利于政府卫生部门、疾控中心、定点医疗机构开展结核病监管防治工作。
附图说明
图1是本发明实施例提供的基于电子病历数据的肺结核患者预警方法流程图。
图2是本发明实施例提供的基于电子病历数据的肺结核患者预警系统结构框图；
图中：1、患者病症数据采集模块；2、数据预处理模块；3、电子病历生成模块；4、主控模块；5、检测模型构建模块；6、病历分析模块；7、病症等级划分模块；8、信息筛查模块；9、预警信息推送模块；10、云存储模块；11、显示模块。
图3是本发明实施例提供的通过模型构建程序根据患者肺结核病症特征数据构建肺结核检测模型的方法流程图。
图4是本发明实施例提供的通过分析程序根据肺结核检测模型对患者肺结核病历进行分析的方法流程图。
图5是本发明实施例提供的通过筛查程序筛查肺结核患者信息并进行上报的方法流程图。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下。
下面结合附图对本发明的结构作详细的描述。
如图1所示，本发明实施例提供的基于电子病历数据的肺结核患者预警方法包括以下步骤：
S101，通过患者病症数据采集模块利用医疗设备采集患者肺结核病症原始数据；通过数据预处理模块利用数据处理程序对采集的患者肺结核病症原始数据进行处理，获得患者肺结核病症特征数据。
S102，通过电子病历生成模块利用病历生成程序根据采集的病症数据生成电子病历；通过主控模块利用主机控制所述基于电子病历数据的肺结核患者预警系统各个模块的正常工作。
S103，通过检测模型构建模块利用模型构建程序根据患者肺结核病症特征数据构建肺结核检测模型。
S104，通过病历分析模块利用分析程序根据肺结核检测模型对患者肺结核病历进行分析，并生成分析结果。
S105，通过病症等级划分模块利用划分程序根据分析结果划分患者肺结核病症严重性等级。
S106，通过信息筛查模块利用筛查程序筛查肺结核患者信息并上报；通过预警信息推送模块利用推送程序根据严重性等级对患者肺结核进行预警通知。
S107，通过云存储模块利用云服务器存储采集的患者病症数据、电子病历、分析结果、等级划分机构、筛查结果以及预警推送信息。
S108，通过显示模块利用显示器显示采集的患者病症数据、电子病历、分析结果、等级划分机构、筛查结果以及预警推送信息的实时数据。
如图2所示，本发明实施例提供的基于电子病历数据的肺结核患者预警系统包括：患者病症数据采集模块1、数据预处理模块2、电子病历生成模块3、主控模块4、检测模型构建模块5、病历分析模块6、病症等级划分模块7、信息筛查模块8、预警信息推送模块9、云存储模块10、显示模块11。
患者病症数据采集模块1，与主控模块连接，用于通过医疗设备采集患者肺结核病症原始数据；
数据预处理模块2，与主控模块4连接，用于通过数据处理程序对采集的患者肺结核病症原始数据进行处理，获得患者肺结核病症特征数据；
电子病历生成模块3，与主控模块4连接，用于通过病历生成程序根据采集的病症数据生成电子病历；
主控模块4，与患者病症数据采集模块1、数据预处理模块2、电子病历生成模块3、检测模型构建模块5、病历分析模块6、病症等级划分模块7、信息筛查模块8、预警信息推送模块9、云存储模块10、显示模块11连接，用于通过主机控制所述基于电子病历数据的肺结核患者预警系统各个模块的正常工作；
检测模型构建模块5，与主控模块4连接，用于通过模型构建程序根据患者肺结核病症特征数据构建肺结核检测模型；
病历分析模块6，与主控模块4连接，用于通过分析程序根据肺结核检测模型对患者肺结核病历进行分析，并生成分析结果；
病症等级划分模块7，与主控模块4连接，用于通过划分程序根据分析结果划分患者肺结核病症严重性等级；
信息筛查模块8，与主控模块4连接，用于通过筛查程序筛查肺结核患者信息并进行上报；
预警信息推送模块9，与主控模块4连接，用于通过推送程序根据严重性等级对患者肺结核进行预警通知；
云存储模块10，与主控模块4连接，用于通过云服务器存储采集的患者病症数据、电子病历、分析结果、等级划分机构、筛查结果以及预警推送信息；
显示模块11，与主控模块4连接，用于通过显示器显示采集的患者病症数据、电子病历、分析结果、等级划分机构、筛查结果以及预警推送信息的实时数据。
下面结合具体实施例对本发明作进一步描述。
实施例1
本发明实施例提供的基于电子病历数据的肺结核患者预警方法如图1所示，作为优选实施例，如图3所示，本发明实施例提供的通过模型构建程序根据患者肺结核病症特征数据构建肺结核检测模型的方法包括：
S201，用户终端采集患者的体征信息，并将所述患者的体征信息发送至云服务器；云服务器在疾病信息数据库中匹配与所述患者体征信息对应的疾病信息，根据所述患者的体征信息匹配所述对应的疾病信息的预设定的体征数据，并将匹配结果发送至用户终端。
S202，根据体征数据获取指定数量的标注有肺结核病灶区域标注框的胸部影像学图像；对所述胸部影像学图像进行图像预处理，以获取预处理后的图像数据。
S203，选择一基础卷积神经网络模型，将所述预处理后的图像数据输入至所述基础卷积神经网络模型中进行训练，以获取训练后的肺结核检测模型；其中，在所述基础卷积神经网络模型训练中，根据不同的锚盒anchor尺寸，采用不同形状的卷积核。
本发明实施例提供的选择一基础卷积神经网络模型，将所述预处理后的图像数据输入至所述基础卷积神经网络模型中进行训练，以获取训练后的肺结核检测模型方法包括：
将所述基础卷积神经网络模型中所有的锚盒anchor的宽度和高度减半，以使每个正确的病灶区域groudtruth至少匹配一个锚盒anchor。
本发明实施例提供的根据不同的锚盒anchor尺寸，采用不同形状的卷积核的方法，具体为：
对于宽度小于高度的锚盒anchor，采用3×1卷积核；
对于高度小于宽度的锚盒anchor，采用1×3卷积核；
对于高度等于宽度的锚盒anchor，采用3×3卷积核。
本发明实施例提供的对所述胸部影像学图像进行图像预处理，具体为：
(I)使用聚类算法从具有窗口宽度WW和窗口位置WP指导值的样本中生成WW和WP的标准值；
(II)通过直方图均衡操作处理，以及利用双线性插值算法进行图像的缩放，将图像双线性插值到1024×1024分辨率。
实施例2
本发明实施例提供的基于电子病历数据的肺结核患者预警方法如图1所示，作为优选实施例，如图4所示，本发明实施例提供的通过分析程序根据肺结核检测模型对患者肺结核病历进行分析的方法包括：
S301，通过病历分析模块利用分析程序获取患者肺结核病症病历数据，并设置病历范围，包括用户范围和数据维度。
S302，根据所设置的病历范围，获取相应的病历数据；对所述病历数据中的各个数据维度与肺结核病症或并发症的关系进行关联分析；其中，将是否患肺结核病症或并发症作为关联规则的右项集，其他数据维度作为左项集。
S303，根据肺结核检测模型对患者肺结核病历进行分析，生成并输出分析结果。
本发明实施例提供的在进行所述关联分析之前还包括：对所述样本数据进行预处理，包括缺失值处理和连续变量的离散化。
本发明实施例提供的对所述样本数据中的各个数据维度与肺结核病症或并发症的关系进行关联分析的方法，包括：
(1)从样本数据中获取各用户患病情况，包括肺结核病症及其并发症；
(2)将是否患肺结核病症或并发症作为关联规则的右项集，其他数据维度作为左项集进行关联分析；
(3)从结果中筛选出高提升度的规则，对应的左项集因子即为肺结核病症或并发症的患病因子。
实施例3
本发明实施例提供的基于电子病历数据的肺结核患者预警方法如图1所示，作为优选实施例，如图5所示，本发明实施例提供的通过筛查程序筛查肺结核患者信息并进行上报的方法包括：
S401，通过大量人工标注的样本来训练形成深度神经网络，该深度神经网通过自主学习肺结核影像特征。
S402，根据影响特征建立胸片影像数据集，并对所述胸片影像数据集中的胸片样本进行病症标注；基于所述胸片影像数据集训练图像分类器，所述图像分类器用于区分胸片样本中是否包含表征肺结核的图像特征。
S403，获取待识别的临床图像，并将所述临床图像输入所述图像分类器，得到所述临床图像对应的诊断结果；当所述诊断结果表征疑似肺结核时，提取患者信息，并调用信息上报单。
S404，接收医生输入的确认指令，将携带所述患者信息的信息上报单发送至医务部，以通过所述医务部将所述患者信息上报至结核病防治机构。
本发明实施例提供的基于所述胸片影像数据集训练图像分类器的方法为：
1)引入评价系统对训练的所述图像分类器进行评价，以生成所述图像分类器的评价参数；
2)当所述评价参数达到期望值时，结束图像分类器的训练过程；若所述评价参数未达到期望值，对所述胸片影像数据集和当前的卷积网络参数进行调整，并利用调整后的数据重新训练图像分类器，直至评价参数达到期望值为止。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种基于电子病历数据的肺结核患者预警方法，其特征在于，所述基于电子病历数据的肺结核患者预警方法包括以下步骤：
步骤一，通过患者病症数据采集模块利用医疗设备采集患者肺结核病症原始数据；通过数据预处理模块利用数据处理程序对采集的患者肺结核病症原始数据进行处理，获得患者肺结核病症特征数据；
步骤二，通过电子病历生成模块利用病历生成程序根据采集的病症数据生成电子病历；通过主控模块利用主机控制所述基于电子病历数据的肺结核患者预警系统各个模块的正常工作；
步骤三，通过用户终端采集患者的体征信息，并将所述患者的体征信息发送至云服务器；云服务器在疾病信息数据库中匹配与所述患者体征信息对应的疾病信息，根据所述患者的体征信息匹配所述对应的疾病信息的预设定的体征数据，并将匹配结果发送至用户终端；
步骤四，根据体征数据获取指定数量的标注有肺结核病灶区域标注框的胸部影像学图像；对所述胸部影像学图像进行图像预处理，获取预处理后的图像数据；
步骤五，通过检测模型构建模块选择一基础卷积神经网络模型，将所述预处理后的图像数据以及患者肺结核病症特征数据输入至所述基础卷积神经网络模型中进行训练，以获取训练后的肺结核检测模型；其中，在所述基础卷积神经网络模型训练中，根据不同的锚盒anchor尺寸，采用不同形状的卷积核；
步骤六，通过病历分析模块利用分析程序获取患者肺结核病症病历数据，并设置病历范围，包括用户范围和数据维度；
步骤七，根据所设置的病历范围，获取相应的病历数据；对所述病历数据中的各个数据维度与肺结核病症或并发症的关系进行关联分析；其中，将是否患肺结核病症或并发症作为关联规则的右项集，其他数据维度作为左项集；
步骤八，根据肺结核检测模型对患者肺结核病历进行分析，生成并输出分析结果；通过病症等级划分模块利用划分程序根据分析结果划分患者肺结核病症严重性等级；
步骤九，通过信息筛查模块利用大量人工标注的样本来训练形成深度神经网络，该深度神经网通过自主学习肺结核影像特征；
步骤十，根据影响特征建立胸片影像数据集，并对所述胸片影像数据集中的胸片样本进行病症标注；基于所述胸片影像数据集训练图像分类器，所述图像分类器用于区分胸片样本中是否包含表征肺结核的图像特征；
步骤十一，利用筛查程序获取待识别的临床图像，并将所述临床图像输入所述图像分类器，得到所述临床图像对应的诊断结果；当所述诊断结果表征疑似肺结核时，提取患者信息，并调用信息上报单；
步骤十二，接收医生输入的确认指令，将携带所述患者信息的信息上报单发送至医务部，以通过所述医务部将筛查得到的肺结核患者信息上报至结核病防治机构；通过预警信息推送模块利用推送程序根据严重性等级对患者肺结核进行预警通知；
步骤十三，通过云存储模块利用云服务器存储采集的患者病症数据、电子病历、分析结果、等级划分机构、筛查结果以及预警推送信息；通过显示模块利用显示器显示采集的患者病症数据、电子病历、分析结果、等级划分机构、筛查结果以及预警推送信息的实时数据。
2.如权利要求1所述的基于电子病历数据的肺结核患者预警方法，其特征在于，步骤四中，所述对所述胸部影像学图像进行图像预处理的方法，包括：
(I)使用聚类算法从具有窗口宽度WW和窗口位置WP指导值的样本中生成WW和WP的标准值；
(II)并通过直方图均衡操作处理，以及利用双线性插值算法进行图像的缩放，将图像双线性插值到1024×1024分辨率。
3.如权利要求1所述的基于电子病历数据的肺结核患者预警方法，其特征在于，步骤五中，所述选择一基础卷积神经网络模型，将所述预处理后的图像数据输入至所述基础卷积神经网络模型中进行训练，以获取训练后的肺结核检测模型方法包括：
将所述基础卷积神经网络模型中所有的锚盒anchor的宽度和高度减半，以使每个正确的病灶区域groudtruth至少匹配一个锚盒anchor。
4.如权利要求1所述的基于电子病历数据的肺结核患者预警方法，其特征在于，步骤五中，所述根据不同的锚盒anchor尺寸，采用不同形状的卷积核的方法，包括：
对于宽度小于高度的锚盒anchor，采用3×1卷积核；
对于高度小于宽度的锚盒anchor，采用1×3卷积核；
对于高度等于宽度的锚盒anchor，采用3×3卷积核。
5.如权利要求1所述的基于电子病历数据的肺结核患者预警方法，其特征在于，步骤七中，所述在进行所述关联分析之前还包括：
对所述样本数据进行预处理，包括缺失值处理和连续变量的离散化。
6.如权利要求1所述的基于电子病历数据的肺结核患者预警方法，其特征在于，步骤七中，所述对所述样本数据中的各个数据维度与肺结核病症或并发症的关系进行关联分析的方法，包括：
(1)从样本数据中获取各用户患病情况，包括肺结核病症及其并发症；
(2)将是否患肺结核病症或并发症作为关联规则的右项集，其他数据维度作为左项集进行关联分析；
(3)从结果中筛选出高提升度的规则，对应的左项集因子即为肺结核病症或并发症的患病因子。
7.如权利要求1所述的基于电子病历数据的肺结核患者预警方法，其特征在于，步骤十中，所述在基于所述胸片影像数据集训练图像分类器时的方法，包括：
1)引入评价系统对训练的所述图像分类器进行评价，以生成所述图像分类器的评价参数；
2)当所述评价参数达到期望值时，结束图像分类器的训练过程；若所述评价参数未达到期望值，对所述胸片影像数据集和当前的卷积网络参数进行调整，并利用调整后的数据重新训练图像分类器，直至评价参数达到期望值为止。
8.一种应用如权利要求1～7任意一项所述的基于电子病历数据的肺结核患者预警方法的基于电子病历数据的肺结核患者预警系统，其特征在于，所述基于电子病历数据的肺结核患者预警系统包括：
患者病症数据采集模块，与主控模块连接，用于通过医疗设备采集患者肺结核病症原始数据；
数据预处理模块，与主控模块连接，用于通过数据处理程序对采集的患者肺结核病症原始数据进行处理，获得患者肺结核病症特征数据；
电子病历生成模块，与主控模块连接，用于通过病历生成程序根据采集的病症数据生成电子病历；
主控模块，与患者病症数据采集模块、数据预处理模块、电子病历生成模块、检测模型构建模块、病历分析模块、病症等级划分模块、信息筛查模块、预警信息推送模块、云存储模块、显示模块连接，用于通过主机控制所述基于电子病历数据的肺结核患者预警系统各个模块的正常工作；
检测模型构建模块，与主控模块连接，用于通过模型构建程序根据患者肺结核病症特征数据构建肺结核检测模型；
病历分析模块，与主控模块连接，用于通过分析程序根据肺结核检测模型对患者肺结核病历进行分析，并生成分析结果；
病症等级划分模块，与主控模块连接，用于通过划分程序根据分析结果划分患者肺结核病症严重性等级；
信息筛查模块，与主控模块连接，用于通过筛查程序筛查肺结核患者信息并进行上报；
预警信息推送模块，与主控模块连接，用于通过推送程序根据严重性等级对患者肺结核进行预警通知；
云存储模块，与主控模块连接，用于通过云服务器存储采集的患者病症数据、电子病历、分析结果、等级划分机构、筛查结果以及预警推送信息；
显示模块，与主控模块连接，用于通过显示器显示采集的患者病症数据、电子病历、分析结果、等级划分机构、筛查结果以及预警推送信息的实时数据。
9.一种存储在计算机可读介质上的计算机程序产品，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以实施如权利要求1～7任意一项所述的基于电子病历数据的肺结核患者预警方法。
10.一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1～7任意一项所述的基于电子病历数据的肺结核患者预警方法。
CN202010710719.XA 2020-07-22 2020-07-22 基于电子病历数据的肺结核患者预警系统及预警方法 Withdrawn CN111883256A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010710719.XA CN111883256A (zh) 2020-07-22 2020-07-22 基于电子病历数据的肺结核患者预警系统及预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010710719.XA CN111883256A (zh) 2020-07-22 2020-07-22 基于电子病历数据的肺结核患者预警系统及预警方法

Publications (1)

Publication Number Publication Date
CN111883256A true CN111883256A (zh) 2020-11-03

Family

ID=73155244

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010710719.XA Withdrawn CN111883256A (zh) 2020-07-22 2020-07-22 基于电子病历数据的肺结核患者预警系统及预警方法

Country Status (1)

Country Link
CN (1) CN111883256A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112435761A (zh) * 2020-12-04 2021-03-02 中国信息通信研究院 一种信息推荐方法和装置
CN112635069A (zh) * 2020-12-14 2021-04-09 内蒙古卫数数据科技有限公司 一种基于常规检验数据的肺结核智能识别方法
CN114694355A (zh) * 2020-12-30 2022-07-01 深圳融昕医疗科技有限公司 远程预警方法及系统
CN116453641A (zh) * 2023-06-19 2023-07-18 潍坊医学院附属医院 一种中医辅助分析信息的数据处理方法及系统
CN117059283A (zh) * 2023-08-15 2023-11-14 宁波市鄞州区疾病预防控制中心 一种基于肺结核预警的语音数据库分类和处理系统

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112435761A (zh) * 2020-12-04 2021-03-02 中国信息通信研究院 一种信息推荐方法和装置
CN112635069A (zh) * 2020-12-14 2021-04-09 内蒙古卫数数据科技有限公司 一种基于常规检验数据的肺结核智能识别方法
CN114694355A (zh) * 2020-12-30 2022-07-01 深圳融昕医疗科技有限公司 远程预警方法及系统
CN114694355B (zh) * 2020-12-30 2024-02-23 深圳融昕医疗科技有限公司 远程预警方法及系统
CN116453641A (zh) * 2023-06-19 2023-07-18 潍坊医学院附属医院 一种中医辅助分析信息的数据处理方法及系统
CN116453641B (zh) * 2023-06-19 2023-09-05 潍坊医学院附属医院 一种中医辅助分析信息的数据处理方法及系统
CN117059283A (zh) * 2023-08-15 2023-11-14 宁波市鄞州区疾病预防控制中心 一种基于肺结核预警的语音数据库分类和处理系统

Similar Documents

Publication Publication Date Title
US11553874B2 (en) Dental image feature detection
CN111883256A (zh) 基于电子病历数据的肺结核患者预警系统及预警方法
US7711404B2 (en) Patient data mining for lung cancer screening
JP2020126598A (ja) 人工知能の検出出力から疾患の進行を決定するシステムおよび方法
Padma et al. Deep learning based chest x-ray image as a diagnostic tool for covid-19
WO2018236565A1 (en) METHOD AND SYSTEM FOR MEDICAL IMAGING WITH DYNAMIC SELF-LEARNING
CN109191451B (zh) 异常检测方法、装置、设备和介质
TWI810498B (zh) 肝腫瘤智慧分析裝置
JP6768620B2 (ja) 学習支援装置、学習支援装置の作動方法、学習支援プログラム、学習支援システム、端末装置及びプログラム
JP6612752B2 (ja) 放射線画像診断レポート内の欠いている経時的変化情報を決定するシステム及び方法
US20090136111A1 (en) System and method of diagnosing a medical condition
Kaya et al. A deep learning approach to permanent tooth germ detection on pediatric panoramic radiographs
CN114757942A (zh) 一种基于深度学习的多层螺旋ct对活动性肺结核的检测方法
CN111226287B (zh) 用于分析医学成像数据集的方法、系统、程序产品和介质
CN110379504A (zh) 一种肺结核的智能筛查和上报方法及系统
US10957038B2 (en) Machine learning to determine clinical change from prior images
CN110782441A (zh) 一种基于深度学习的dr影像肺结核智能分割与检测方法
CN108710901B (zh) 一种基于深度学习的脊柱畸形筛查系统及方法
Velusamy et al. Faster Region‐based Convolutional Neural Networks with You Only Look Once multi‐stage caries lesion from oral panoramic X‐ray images
Ariji et al. Effects of the combined use of segmentation or detection models on the deep learning classification performance for cyst‐like lesions of the jaws on panoramic radiographs: Preliminary research
Tsai et al. Tuberculosis Detection Based on Multiple Model Ensemble in Chest X-ray Image
CN112567471A (zh) 处理医学图像
EP4318494A1 (en) Method and apparatus for providing confidence information on result of artificial intelligence model
Kvak et al. Automatic detection of pneumonia in chest X-rays using Lobe deep residual network
US11967424B2 (en) Information processing apparatus, information processing method, and recording medium

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20201103